机器学习是人工智能中最活跃、最具应用潜力的领域之一，RBF网络是一种高效的机器学习方法，能在任意精度下逼近任意非线性函数，同时具有优秀的学习能力、泛化能力和训练速度快等优点，经常用于解决回归、分类等问题，与前馈神经网络(如多层感知器网络)相比，RBF网络可以很好地避免陷入局部极小值。 但是，RBF网络也有其缺点，如没有现成的算法计算隐层结构，即隐层的节点数目和每一个隐层节点的位置。目前，已有一部分研究者使用模糊C均值聚类FCM(Fuzzy C-Mean)计算RBF网络的隐层，但是这种方法只能部分地解决上面的问题，即能够确定隐层节点的中心位置，而无法确定隐层节点的数目。 本文提出一个基于人工免疫原理的RBF网络预测模型AIP-RBF(Artificial Iminune Principal based Radial Basis Function Neural Network)，该模型使用改进的克隆选择算法和免疫抑制策略，通过隐层可行解抽取算法EAHLFS(Extraction Algorithm Hidden Layer Feasible Solution)，能在聚类数目未知的情况下，生成RBF网络隐层，计算所得到的结果包括隐层节点数和每一个隐层节点的中心位置。论文提出了隐层节点重要度SHLN(Significance of Hidden Layer Node)概念，用以指导RBF网络第二阶段的训练过程。与基于聚类算法的预测模型相比，AIP-RBF具有更快的收敛速度和更高的预测精度。 论文还将研究成果应用到盾构施工工程实践中，用AIP-RBF来预测隧道施工过程中引起的地面沉降。论文从对训练数据的拟合程度、测试数据的预测精度和预测模型的模型结构等方面与其他预测模型进行了有意义的比较，验证了AIP-RBF的优越性。